Die Studierenden erhalten einen Einblick in den Aufbau und die Funktionsweise künstlicher Neuronennetze. Einige Fähigkeiten solcher Netze zur Informationsverarbeitung können mithilfe von Methoden aus der statistischen Physik quantitativ beschrieben werden. So stellt sich der Konfusionsübergang bei Überlastung assoziativer Speicher als Phasenübergang erster Art in Attraktornetzwerken dar. Schichtnetzwerke aus formalen Neuronen können
Klassifizierungsaufgaben aus Beispielen – also ohne explizite Programmierung – lernen („deep learning“). Für einfache Architekturen ist eine analytische Beschreibung der Möglichkeiten und Grenzen solcher Netzwerke möglich.